&创新点
1. 规避R-CNN中冗余的特征提取操作，只对整张图像全区域进行一次特征提取
2. 用ROI pooling层取代最后一层max pooling层，同时引入建议框信息，提取相应建议框特征
3. Fast R-CNN网络末尾采用了并行的不同全连接层，可同时输出分类结果和窗口回归结果，实现了end-to-end的多任务训练（建议框提取除外），也不要额外的特征存储空间（R-CNN中这部分特征是共SVM和Bounding-box regression进行训练的，需要存储在硬盘上）
4. 采用SVD对Fast R-CNN网络末尾并行的全连接层进行分解，减少计算复杂度，加快检测速度
1. R-CNN网络训练、测试速度都很慢：R-CNN网络中，一张图经由selective search算法提取约2k个建议框（这2k个建议框大量重叠），而所有建议框变形后都要输入
原文：https://www.cnblogs.com/gezhuangzhuang/p/10460999.html